1：MATLAB神经网络对水的质量的分类、评估、预测 （属于环境类分类、评估预测）
2：MATLAB神经网络对空气质量的分类、评估、预测 （属于环境类分类、评估预测）
2：MATLAB神经网络对土壤质量的分类、评估、预测 （属于环境类分类、评估预测）
3：MATLAB神经网络对学员的个人表现进行分类、评估、预测 （属于个人业绩鉴定）
4：MATLAB神经网络对医学、生物学上的细胞、疾病等分类、评估等（属于医学、生物学）
5：MATLAB神经网络对交通、物流等效率方面的分类、评估、预测等（属于交通、物流管理）
6：MATLAB神经网络用于故障诊断
7：概括来讲，就是使用神经网络对某些指标（如空气质量、水质量、个人业绩等）进行“有限”的分类、预测、评价等。

在这里，我特别强调“有限”两个字，因为这正是模式识别工具箱可以解决的问题。我看到很多会员使用不同的神经网络（如模糊识别，RBF, SVM等）。根据我多年的使用经验，其实基于多层BP网络的模式识别是最容易实现、效果非常满意、且结果非常具有说服力。很多会员没有掌握模式识别的精髓，或者网络训练好以后不知道如何评估、使用等。现在我用一个完整的例子来给大家展示一下它的优点。

不知道什么是模式识别，什么是BP网络的会员，请先看一下这个视频：MATLAB模式识别工具箱视频教学

用MATLAB模式识别工具箱（函数）来对某些指标（如空气质量、水质量、个人业绩等）进行分类、评估、预测，分为三步：

• 数据准备
• 训练和评估
• 预测

下面我来一步一步讲解，先谈数据的准备：

• 确保输入数据（包括训练以及将来要预测的数据）在比较接近的范围里（归一化是其中一种方式）。

  这一个步骤不仅仅是在模式识别里，其实在任何一种网络里，这一步都是必须的。比如说你有400组数据，每组数据对应一个中国县城的空气质量。假设每组数据含有6个指标（称之为A,B,C,D,E,F,G), 如果数据A的范围是10^5-10^7, F的范围是0.1-0.5， 如果用这些数据来训练，很容易导致网络的权重也有同样的数量级的差别，结果是你的网络会非常的“敏感”（可以想象一下，如果F对应的权重是10^10,那么即使F稍微变化一下，都有可能导致网络的输出结果不同。而有时候这样的敏感度并不是你想要的，你可以对数据进行归一化处理，把数据都转换到0-1的区间内。

  MATLAB模式识别工具箱可以自动对输入数据进行归一化处理，所以你只要明白这个过程，但是并不需要你额外写程序来处理这些数据。

• 对输出数据进行二进制量化

  通常情况下，用于测试的输入数据所对应的输出数据不是量化数据，比如说：优、良，或者是一级、二级等等。那么通常我们用二进制来表达，两位数字的二进制可以表示3类（01，10，11），三位数字的二进制可以表示7类（001，010，011，100，101，110，111，通常我们不使用000)。二进制的顺序不重要，比如说优可以对应001,也可以用010来表示。

  经过简单处理，输入数据和新添加的二进制输入数据如下图所示：

   
  登录/注册后可看大图
• 把数据导入到MATLAB程序里
  1. close all
  2. clear all
  3. clc
  4. x=xlsread('training_data.xls',['B2:G401']);
  5. y=xlsread('training_data.xls',['I2:K401']);
  6. inputs = x';
  7. targets = y';

  复制代码

我们再谈谈网络的训练和评估：

• 你可以使用MATLAB自带的模式识别工具箱界面(nprtool)来导入数据、调整参数等，然后得到结果。我通常第一次这样使用，得到一个基础架构以后，然后生成m代码，再在代码上修改。这里我演示给大家，如果通过程序来实现。
• 下面是用来做模式识别的代码（工具箱产生的函数）：
  1. % 创建一个模式识别网络（两层BP网络），同时给出中间层神经元的个数，这里使用20
  2. hiddenLayerSize = 20;
  3. net = patternnet(hiddenLayerSize);
  4. % 对数据进行预处理，这里使用了归一化函数（一般不用修改）
  5. % For a list of all processing functions type: help nnprocess
  6. net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};
  7. net.outputs{2}.processFcns = {'removeconstantrows','mapminmax'};
  8. % 把训练数据分成三部分，训练网络、验证网络、测试网络
  9. % For a list of all data division functions type: help nndivide
  10. net.divideFcn = 'dividerand';  % Divide data randomly
  11. net.divideMode = 'sample';  % Divide up every sample
  12. net.divideParam.trainRatio = 70/100;
  13. net.divideParam.valRatio = 15/100;
  14. net.divideParam.testRatio = 15/100;
  15. % 训练函数
  16. % For a list of all training functions type: help nntrain
  17. net.trainFcn = 'trainlm';  % Levenberg-Marquardt
  18. % 使用均方误差来评估网络
  19. % For a list of all performance functions type: help nnperformance
  20. net.performFcn = 'mse';  % Mean squared error
  21. % 画图函数
  22. % For a list of all plot functions type: help nnplot
  23. net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ...
  24. 'plotregression', 'plotfit'};
  25. % 开始训练网络（包含了训练和验证的过程）
  26. [net,tr] = train(net,inputs,targets);
  27. % 测试网络
  28. outputs = net(inputs);
  29. errors = gsubtract(targets,outputs);
  30. performance = perform(net,targets,outputs)
  31. % 获得训练、验证和测试的结果
  32. trainTargets = targets .* tr.trainMask{1};
  33. valTargets = targets  .* tr.valMask{1};
  34. testTargets = targets  .* tr.testMask{1};
  35. trainPerformance = perform(net,trainTargets,outputs)
  36. valPerformance = perform(net,valTargets,outputs)
  37. testPerformance = perform(net,testTargets,outputs)
  38. % 可以查看网络的各个参数
  39. view(net)
  40. % 根据画图的结果，决定是否满意
  41. % Uncomment these lines to enable various plots.
  42. figure, plotperform(tr)
  43. figure, plottrainstate(tr)
  44. figure, plotconfusion(targets,outputs)
  45. figure, ploterrhist(errors)
  46. % Test the Network
  47. z=xlsread('dj.xls',['A1:F24']);
  48. testinputs= z';
  49. testoutputs = net(testinputs);

  复制代码

• 网络训练的每次结果都有可能不一样，比如说第一次得到不太满意的结果（准确率低于80%)：
   
  登录/注册后可看大图
• 多训练几次，可以得到不错的结果（准确率达到97.5%)：
   
  登录/注册后可看大图
• 如果你对训练结果满意，请务必保存好网络，留着以后预测使用：
  1. %如果你对该次训练满意，可以保存训练好网络
  2. save('training_net.mat','net','tr');

  复制代码

最后我们讨论一下如何使用训练好的网络：

• 首先确保你用来预测的输入数据，格式跟训练数据一样（否则肯定不能使用）。在上面的网络里，我们的每组输入数据含有6个指标，那么用来预测的数据，也必须符合以上要求。

  样本如下：

   
  登录/注册后可看大图
• 目的是得到二进制输出，以及把二进制输出转换成对应的类别，并且写入到该Excel文件里。
• 我们导入刚才已经保存好的网络
  1. clear all
  2. close all
  3. clc
  4. load 'training_net.mat'

  复制代码

• 导入测试数据：
  1. %导入测试数据
  2. new_input = xlsread('new_data.xls',['A2:F25']);

  复制代码

• 获得预测结果
  1. new_output = round(net(new_input'));

  复制代码

• 把二进制预测结果写入到excel文件里
  1. xlswrite('new_data.xls',new_output','result','G2');

  复制代码

• 把二进制对应的类别写入到excel文件里
  1. new_output=new_output';
  2. [r c]=size(new_output);
  3. my_category=zeros(r,1)
  4. for i=1:r
  5. my_category(i,1)=2^new_output(i,1)+2^new_output(i,2)+2^new_output(i,3);
  6. end
  7. xlswrite('new_data.xls',my_category,'result','K2');

  复制代码

• 结果如下：
   
  登录/注册后可看大图
• 看懂了么？希望能对你有所帮助